ما هي التعلم بقليل من الصور

يعود مصطلح التعلم بقليل من الصور إلى مجموعة من الخوارزميات والتقنيات المستخدمة لتطوير نموذج الذكاء الاصطناعي باستخدام كمية صغيرة جدًا من بيانات التدريب. يهدف التعلم بقليل من الصور إلى تمكين نموذج الذكاء الاصطناعي من التعرف والتصنيف على بيانات جديدة بعد تعرضه لعدد قليل من الأمثلة التدريبية. يعتبر التعلم بقليل من الصور على النقيض من الطرق التقليدية لتدريب نماذج التعلم الآلي، حيث يتم استخدام كمية كبيرة من بيانات التدريب عادةً. يتم استخدام التعلم بقليل من الصور بشكل رئيسي في رؤية الكمبيوتر.

لتحسين الفهم للتعلم بقليل من الصور، دعونا ننظر إلى المفهوم بتفاصيل أكبر. سننظر إلى الدوافع والمفاهيم وراء التعلم بقليل من الصور، وستكشف بعض الأنواع المختلفة للتعلم بقليل من الصور، وستغطي بعض النماذج المستخدمة في التعلم بقليل من الصور على مستوى عالٍ. أخيرًا، سننظر إلى بعض التطبيقات للتعلم بقليل من الصور.

ما هي التعلم بقليل من الصور؟

“التعلم بقليل من الصور” يصف ممارسة تدريب نموذج التعلم الآلي بكمية صغيرة من البيانات. عادةً ما يتم تدريب نماذج التعلم الآلي على كميات كبيرة من البيانات، وكلما زادت البيانات، كان ذلك أفضل. ومع ذلك، فإن التعلم بقليل من الصور هو مفهوم مهم في التعلم الآلي لعدة أسباب مختلفة.

إحدى الأسباب لاستخدام التعلم بقليل من الصور هي أنه يمكن أن يقلل بشكل كبير من كمية البيانات المطلوبة لتدريب نموذج التعلم الآلي، مما يقلل من الوقت اللازم لتحديد علامات مجموعات البيانات الكبيرة. بالإضافة إلى ذلك، يقلل التعلم بقليل من الصور من الحاجة إلى إضافة ميزات محددة لمهام مختلفة عند استخدام مجموعة بيانات مشتركة لإنشاء عينات مختلفة. يمكن أن يجعل التعلم بقليل من الصور النماذج أكثر متانة وقدرة على التعرف على الكائنات بناءً على بيانات أقل، مما يؤدي إلى إنشاء نماذج أكثر عمومية بدلاً من النماذج المتخصصة للغاية التي هي العادة.

يستخدم التعلم بقليل من الصور بشكل شائع في مجال رؤية الكمبيوتر، لأن طبيعة مشاكل رؤية الكمبيوتر تتطلب إما كميات كبيرة من البيانات أو نموذجًا مرنًا.

الفئات الفرعية

المصطلح “التعلم بقليل من الصور” هو في الواقع نوع واحد من التعلم باستخدام أمثلة تدريبية قليلة جدًا. منذ أن كنت تستخدم فقط “عدد قليل” من الأمثلة التدريبية، هناك فئات فرعية من التعلم بقليل من الصور تتضمن أيضًا تدريبًا بكمية صغيرة من البيانات. “التعلم بصورة واحدة” هو نوع آخر من تدريب النماذج يتضمن تعليم نموذج للتعرف على كائن بعد رؤية صورة واحدة فقط من ذلك الكائن. الاستراتيجيات العامة المستخدمة عبر التعلم بصورتي واحدة والتعلم بقليل من الصور هي نفسها. كن على دراية بأن مصطلح “التعلم بقليل من الصور” قد يتم استخدامه ك مصطلح شمولي لوصف أي حالة يتم فيها تدريب نموذج باستخدام كمية صغيرة جدًا من البيانات.

مناهج التعلم بقليل من الصور

يمكن أن تناسب معظم مناهج التعلم بقليل من الصور واحدة من ثلاث فئات: مناهج مستوى البيانات، مناهج مستوى المعاملات، ومناهج القائمة على المقاييس.

مناهج مستوى البيانات

مناهج مستوى البيانات للتعلم بقليل من الصور بسيطة المفهوم. من أجل تدريب نموذج عندما لا تتوفر لديك بيانات تدريبية كافية، يمكنك ببساطة الحصول على المزيد من بيانات التدريب. هناك تقنيات مختلفة يمكن أن يستخدمها عالم البيانات لزيادة كمية بيانات التدريب المتاحة.

يمكن أن تدعم البيانات التدريبية المماثلة البيانات الدقيقة التي يتم تدريب المصنف عليها. على سبيل المثال، إذا كنت تتدرب مصنفًا للتعرف على أنواع معينة من الكلاب ولكنك تفتقر إلى العديد من الصور لأنواع الكلاب المحددة التي تحاول تصنيفها، يمكنك تضمين العديد من الصور للكلاب التي ستساعد المصنف على تحديد الميزات العامة التي تشكل كلبًا.

يمكن أن يخلق تعزيز البيانات المزيد من بيانات التدريب للمصنف. عادةً ما يتضمن ذلك تطبيق التحويلات على بيانات التدريب الحالية، مثل دوران الصور الحالية بحيث يتم فحصها من زوايا مختلفة. يمكن أيضًا استخدام الشبكات العصبية المولدة لإنشاء أمثلة تدريبية جديدة بناءً على ما تتعلمه من القليل من الأمثلة الحقيقية لبيانات التدريب التي لديك.

مناهج مستوى المعاملات

التعلم المتأثر

تتضمن واحدة من مناهج مستوى المعاملات للتعلم بقليل من الصور استخدام تقنية تسمى “التعلم المتأثر“. ي涉ل التعلم المتأثر تعليم نموذج كيفية التعلم على ما هي الميزات المهمة في مهمة التعلم الآلي. يمكن إنجاز ذلك من خلال إنشاء طريقة لتنظيم كيفية استكشاف نموذج لمساحة المعاملات.

يستخدم التعلم المتأثر نموذجين مختلفين: نموذج معلم ونموذج طالب. نموذج المعلم يتعلم كيفية حجز مساحة المعاملات، بينما يتعلم خوارزمية الطالب كيفية التعرف والتصنيف على العناصر الفعلية في مجموعة البيانات. بعبارة أخرى، يتعلم نموذج المعلم كيفية تحسين نموذج، بينما يتعلم نموذج الطالب كيفية التصنيف. يتم استخدام مخرجات نموذج المعلم لتدريب نموذج الطالب، مما يظهر لنموذج الطالب كيفية التفاوض على مساحة المعاملات الكبيرة الناتجة عن قلة بيانات التدريب. ومن هنا جاءت كلمة “ميتا” في التعلم المتأثر.

أحد المشاكل الرئيسية مع نماذج التعلم بقليل من الصور هي أنها يمكن أن تتعرض بسهولة للتأثر على بيانات التدريب، لأنها غالبًا ما تمتلك مساحات ذات أبعاد عالية. حل مساحة المعاملات لنموذج ي giảiق هذه المشكلة، ويمكن إنجازه من خلال تطبيق تقنيات التنظيم واختيار دالة الخسارة المناسبة، ولكن استخدام نموذج معلم يمكن أن يحسن بشكل كبير أداء نموذج التعلم بقليل من الصور.

سوف يحاول مصنف التعلم بقليل من الصور (نموذج الطالب) تعميم بناءً على كمية صغيرة من بيانات التدريب التي يتم توفيرها، ويمكن تحسين دقته مع نموذج معلم يوجهه خلال مساحة المعاملات ذات الأبعاد العالية. يُطلق على هذه الهيئة العامة اسم “متعلم قائم على التدرج”.

يتضمن عملية تدريب متعلم قائم على التدرج التالي:

1. إنشاء نموذج المتعلم الأساسي (المعلم)
2. تدريب نموذج المتعلم الأساسي على مجموعة الدعم
3. إرجاع نموذج المتعلم الأساسي للتنبؤات لمجموعة الاستعلام
4. تدريب متعلم التدرج (الطالب) على الخسارة المشتقة من خطأ التصنيف

الاختلافات على التعلم المتأثر

التعلم المتأثر العام هو طريقة تستخدم لتعزيز تقنية التعلم المتأثر القائم على التدرج التي غطيناها أعلاه.

كما غطينا أعلاه، يستخدم متعلم التدرج القائم على التدرج الخبرة السابقة التي يكتسبها نموذج معلم لتعديل نفسه و تقديم تنبؤات أكثر دقة لكمية صغيرة من بيانات التدريب. ومع ذلك، البدء مع معاملات مبادرة عشوائية تعني أن النموذج يمكن أن يظل عرضة للتأثر على البيانات. لمنع ذلك، يتم إنشاء “متعلم متأثر عام” عن طريق تقييد تأثير نموذج المعلم / النموذج الأساسي.

对于 كل حلقة من حلقات تدريب متعلم متأثر عام:

1. إنشاء نسخة من نموذج المتعلم الحالي.
2. تدريب النسخة بمساعدة نموذج المعلم / الأساسي.
3. إرجاع النسخة للتنبؤات لبيانات التدريب.
4. استخدام الخسارة المحسوبة لتحديث متعلم التدرج.

التعلم القائم على المقاييس

تتضمن مناهج التعلم القائم على المقاييس لتصميم نموذج التعلم بقليل من الصور عادةً استخدام المقاييس الأساسية لمقارنة العينات في مجموعة البيانات. يتم استخدام خوارزميات التعلم القائم على المقاييس مثل مسافة الكوزين لتصنيف عينات الاستعلام بناءً على تشابهها مع عينات الدعم. لمصنف الصور، هذا يعني ببساطة تصنيف الصور بناءً على تشابه الميزات السطحية. بعد تحويل مجموعة الدعم من الصور إلى متجه تضمين، يتم تنفيذ نفس الشيء لمجموعة الاستعلام، ثم يتم مقارنة قيم المتجهين، ويتصنف المصنف الفئة التي تملك قيمًا أقرب إلى مجموعة الاستعلام المضمنة.

حل أكثر تقدمًا قائم على المقاييس هو “الشبكة النموذجية“. تجمع الشبكات النموذجية بين نقاط البيانات باستخدام نماذج التجميع مع التصنيف القائم على المقاييس الموصوف أعلاه. كما هو الحال في تجميع K-means، يتم حساب مراكز التجميع للفئات في مجموعات الدعم والاستعلام. ثم يتم تطبيق مقياس المسافة الأوكليدي لتحديد الفرق بين مجموعات الاستعلام ومراكز مجموعة الدعم، ويتصنف مجموعة الاستعلام إلى فئة مجموعة الدعم التي هي الأقرب.

معظم مناهج التعلم بقليل من الصور الأخرى هي مجرد تحولات على التقنيات الأساسية المذكورة أعلاه.

تطبيقات التعلم بقليل من الصور

يتمتع التعلم بقليل من الصور بتطبيقات في العديد من فروع علوم البيانات، مثل رؤية الكمبيوتر، ومعالجة اللغة الطبيعية، والروبوتات، والرعاية الصحية، ومعالجة الإشارات.

تتضمن التطبيقات للتعلم بقليل من الصور في مجال رؤية الكمبيوتر التعرف على الحروف بفعالية، وتصنيف الصور، وتصنيف الكائنات، وتعقب الحركة، وتوقع الحركة، وتحديد الموقع. تتضمن تطبيقات التعلم بقليل من الصور في معالجة اللغة الطبيعية الترجمة، واكتمال الجملة، وتصنيف نوايا المستخدم، وتحليل المشاعر، وتصنيف النص المتعدد. يمكن استخدام التعلم بقليل من الصور في مجال الروبوتات لمساعدة الروبوتات على التعلم من بضع عروض فقط، مما يسمح للروبوتات بالتعلم من كيفية تنفيذ الإجراءات، والحركة، والتنقل في العالم من حولهم. التعلم بقليل من الصور هو مجال متطور في الرعاية الصحية بالذكاء الاصطناعي. أخيرًا، يمتلك التعلم بقليل من الصور تطبيقات لمعالجة الإشارات الصوتية، والتي هي عملية تحليل بيانات الصوت، مما يسمح لأنظمة الذكاء الاصطناعي بتقليد الأصوات بناءً على بضع عينات فقط للمستخدم أو تحويل الصوت من مستخدم إلى آخر.